PhenoAge vs. KDM biologisk alder: derfor er beregningerne forskellige

Du indtaster den samme alder og de samme laboratoriesvar i to beregnere for biologisk alder. PhenoAge siger 49. KDM siger 43. Din kronologiske alder er 46.

Hvilket tal er korrekt?

Det mest nyttige svar er: Beregnerne besvarer forskellige statistiske spørgsmål. PhenoAge og Klemera-Doubal-metoden (KDM) kan bruge overlappende blodbiomarkører, men de er ikke udviklet til at give identiske resultater. En forskel mellem dem er derfor ikke automatisk en fejl.

Denne guide forklarer, hvorfor PhenoAge og KDM er forskellige, hvad hvert resultat faktisk betyder, og hvordan du vælger én til konsekvent opfølgning. Hvis du først har brug for formler, biomarkørlister og grundlæggende fortolkning, så begynd med vores komplette guide til PhenoAge- og KDM-blodprøver.

Kort svar: PhenoAge er kalibreret til dødelighedsrisiko og udtrykker denne risiko som en aldersækvivalent. KDM er primært kalibreret til, hvordan biomarkører varierer med kronologisk alder i en referencepopulation. Forskellige mål, biomarkørpaneler, koefficienter og referenceprøver kan give forskellige biologiske aldre for den samme person.

Kort svar: PhenoAge og KDM besvarer forskellige spørgsmål

PhenoAge estimerer en alder svarende til dødelighedsrisiko. KDM estimerer den alder, der passer bedst til en multivariat biomarkørprofil. Fordi deres mål og implementeringer er forskellige, kan de samme blodprøver med rette give to forskellige aldre. Den korrekte sammenligning er hvert resultat med den samme model over tid — ikke PhenoAge mod KDM, som om begge målte én fast størrelse.

Vigtige fakta

• PhenoAge og KDM måler ikke den samme konstruktion. PhenoAge er dødelighedsorienteret; KDM estimerer multivariat fysiologisk alder.
• “KDM” er en metode, ikke én universel beregner. Resultatet afhænger af de biomarkører og den referencepopulation, som modellen er trænet på.
• PhenoAge er mere standardiseret. Den hyppigt anvendte kliniske version har et offentliggjort sæt med ni biomarkører plus kronologisk alder og faste koefficienter.
• Et resultat bør angive den nøjagtige implementering. En betegnelse som “KDM-alder” er ufuldstændig uden panel, enheder, træningspopulation og formel.
• Gennemsnit ikke de to aldre. Vælg modellen, der passer til dit spørgsmål, og sammenlign fremtidige resultater kun med den samme implementering.
• Ingen af resultaterne er en diagnose. Brug unormale laboratorieværdier og klinisk risiko sammen med en kvalificeret sundhedsprofessionel.

Sammenligningen i én tabel

Egenskab	PhenoAge	KDM biologisk alder
Primært træningsmål	Dødelighedsrisiko	Kronologisk aldersmønster på tværs af biomarkører
Typiske input	9 blodbiomarkører + kronologisk alder	Et konfigurerbart sæt kliniske eller funktionelle biomarkører; kronologisk alder kan også indgå i estimatet
Resultatets betydning	Alderen i referencepopulationen, der er forbundet med en lignende estimeret dødelighedsrisiko	Den alder, der passer bedst til personens multivariate biomarkørprofil under den tilpassede model
Standardisering	Udbredt offentliggjort klinisk formel	Mange gyldige implementeringer
Vigtigste styrke	Et fast, risikoorienteret benchmark	Fleksibel integration af flere fysiologiske systemer
Vigtigste begrænsning	Den lineære faste formel kan reagere kraftigt på bestemte markører og indfanger ikke alle ikke-lineære kliniske sammenhænge	Resultatet afhænger i høj grad af panelvalg og populationskalibrering
Bedste regel for opfølgning	Samme formel, enheder, laboratorieforhold og biomarkørdefinitioner	Samme trænede model, panel, enheder, referencepopulation og testforhold

Begge tilgange er populationsmodeller. Ingen af dem måler direkte, hvor mange år dit væv har eksisteret, og ingen af dem beviser, at en indsats har ændret den grundlæggende aldringshastighed.

Hvad PhenoAge er udviklet til at estimere

Clinical Phenotypic Age blev udviklet på data fra de amerikanske National Health and Nutrition Examination Survey-undersøgelser. Forskerne screenede snesevis af rutinemæssige kliniske markører og brugte en penaliseret overlevelsesmodel til at vælge kronologisk alder plus ni biomarkører, der forudsagde dødelighed.

Disse input er:

1. albumin;
2. kreatinin;
3. glukose;
4. C-reaktivt protein;
5. lymfocytprocent;
6. gennemsnitligt korpuskulært volumen;
7. variationsbredde i erytrocytstørrelse;
8. alkalisk fosfatase;
9. antal hvide blodlegemer;
10. kronologisk alder.

Modellen estimerer først dødelighedsrisiko. Derefter omregner den risikoen til den alder, hvor en gennemsnitsperson i referencepopulationen ville have en tilsvarende risiko. Denne anden omregning er grunden til, at resultatet ligner en velkendt alder i år.

En PhenoAge på 52 betyder ikke, at hvert organ biologisk er 52 år gammelt. Det betyder, at modellen tildelte en dødelighedsrisikoprofil, der kan sammenlignes med dens referenceværdi for den alder. Den relaterede værdi, PhenoAge-acceleration, spørger, om resultatet er ældre eller yngre end forventet efter hensyn til kronologisk alder.

I den offentliggjorte validering forudsagde Phenotypic Age sygelighed og dødelighed på tværs af flere demografiske grupper og helbredsundergrupper. Det gør det nyttigt som et kompakt, risikoorienteret resumé. Det gør dog ikke resultatet til en klinisk diagnose eller en individuelt garanteret prognose.

Hvad KDM biologisk alder er udviklet til at estimere

KDM går en anden vej. Metoden undersøger, hvordan hver valgt biomarkør ændrer sig med alderen i en referenceprøve, hvor meget uforklaret variation der er tilbage, og hvordan markørerne forholder sig til hinanden. Derefter finder den den biologiske alder, der bedst forener personens samlede biomarkørmønster.

På almindeligt dansk spørger KDM:

Ved hvilken alder ville denne kombination af fysiologiske målinger være mest sandsynlig under denne referencemodel?

Markører, der følger alderen stærkere og mere præcist, kan bidrage med mere information. Markører med en svag sammenhæng med alder eller stor reststøj bidrager som regel mindre. Metoden tager også højde for, at et estimat af biologisk alder i sig selv har usikkerhed.

Det er et stærkt rammeværk, men det har en vigtig konsekvens: Der findes ikke ét universelt KDM-tal.

Ét studie kan bygge KDM på albumin, kreatinin, glukose, blodtryk, lungefunktion og håndgrebsstyrke. Et andet kan bruge et andet laboratoriepanel. En model kan være kønsspecifik; en anden kan samle kønnene. En kan være trænet på NHANES; en anden på UK Biobank eller en national kohorte. Alle kan beskrives som KDM, men de behøver ikke give det samme resultat.

Hvorfor de samme blodprøver giver forskellige aldre

1. Modellerne optimerer forskellige mål

PhenoAge valgte og vægtede variable ud fra deres evne til at forudsige dødelighed. KDM vægter traditionelt variable ud fra deres relation til kronologisk alder og deres restvariation.

Denne forskel betyder noget. En biomarkør kan have en stærk relation til dødelighed uden at ændre sig jævnt med alderen. En anden kan følge kronologisk alder godt, men bidrage med mindre uafhængig information om risiko på kort sigt. Algoritmerne belønner forskellige egenskaber og tildeler derfor forskellige vægte.

2. Biomarkørpanelerne overlapper måske kun delvist

Den kliniske standardformel for PhenoAge er fast med ni biomarkører plus alder. KDM kan konfigureres. Selv når en onlineberegner beder om et velkendt delmængde, kan den udelade, tilføje eller transformere variable sammenlignet med en anden KDM-implementering.

Et resultat baseret på 10 laboratoriemarkører kan ikke direkte udskiftes med KDM bygget på 18 laboratorie- og organfunktionsmål. Panelets sammensætning ændrer, hvad “ældre” og “yngre” betyder inde i modellen.

3. Kronologisk alder indgår forskelligt

Kronologisk alder indgår eksplicit i PhenoAges dødelighedsmodel. I KDM kan kronologisk alder fungere som en ekstra informationskilde i estimeringsformlen, afhængigt af implementeringen.

Det har tendens til at trække begge resultater mod aldersrelaterede populationsmønstre, men ikke med samme styrke eller logik. To personer med identiske biomarkørværdier, men forskellig kronologisk alder, behøver derfor ikke få det samme accelerationsresultat.

4. KDM afhænger af sin referencepopulation

KDM-koefficienter estimeres fra et datasæt. Ændrer du aldersinterval, helbredsprofil, kønsfordeling, etnicitet, land, laboratoriemetoder eller kalenderperiode, kan sammenhængene mellem biomarkører og alder ændre sig.

Det er ikke kun en teknisk fodnote. En model trænet på relativt raske voksne i alderen 40–70 år kan opføre sig anderledes ved 25 eller 85 år. At bruge en model langt uden for dens træningsområde er ekstrapolation, hvor tilsyneladende præcise årstal kan blive misvisende.

PhenoAge afspejler også sin amerikanske NHANES-udviklingspopulation, men den udbredte kliniske implementering bevarer som regel de offentliggjorte koefficienter. KDM-beregnere afspejler oftere forskellige kalibreringer, selv om de deler samme navn.

5. Enheder og transformationer kan ændre resultatet

PhenoAge kræver nøjagtige enheder. C-reaktivt protein er en klassisk fejlkilde, fordi den offentliggjorte formel bruger en transformeret værdi, og beregnere kan bede om mg/L, mens et laboratoriesvar bruger mg/dL. Kreatinin, glukose, antal hvide blodlegemer og alkalisk fosfatase kræver også omhyggelig enhedsmatchning.

KDM-implementeringer kan standardisere, logtransformere, winsorisere eller på anden måde forbehandle input efter deres træningspipeline. Hvis en beregner ikke dokumenterer disse trin, kan du ikke pålideligt reproducere eller sammenligne dens resultat.

Før du fortolker et overraskende resultat, så gennemfør enheds- og inputgennemgangen i vores guide til PhenoAge-ændringer og laboratoriestøj.

6. En enkelt usædvanlig markør kan betyde mere i én model

Forestil dig en person med fremragende glukose, albumin, nyremarkører og blodtal, men midlertidigt forhøjet C-reaktivt protein efter en infektion.

PhenoAge kan flytte sig mærkbart, fordi dens faste, dødelighedsorienterede ligning giver CRP et bestemt bidrag. En KDM-model med mange yderligere målinger kan udvande dette ene signal, eller den kan reagere kraftigt, hvis CRP har en pålidelig aldersgradient i dens referencedata. Svaret afhænger af den tilpassede KDM-version.

Forestil dig nu konsekvent lavere håndgrebsstyrke og lungefunktion med ellers gunstig blodkemi. En KDM-model rig på funktionsmål kan registrere dette mønster, mens klinisk standard-PhenoAge ikke kan, fordi disse mål ikke er input.

Ingen af resultaterne behøver at være “forkert”. Hvert resultat ser kun de variable, som modellen er bygget til at se.

Tre mønstre af uenighed og hvad de kan pege på

Mønster	Sandsynlig forklaring	Bedste næste kontrol
PhenoAge ældre, KDM tæt på kronologisk alder	En eller flere dødelighedsvægtede PhenoAge-markører er ugunstige, men det bredere KDM-mønster er aldersmæssigt typisk	Undersøg individuelle PhenoAge-bidrag, enheder, inflammation og nylig sygdom
KDM ældre, PhenoAge tæt på kronologisk alder	KDM-panelet omfatter aldersfølsomme funktionelle eller kliniske mål, der ikke indgår i PhenoAge	Find det præcise KDM-panel og de markører, der driver resultatet
Begge ældre eller begge yngre	Flere fysiologiske signaler kan være på linje på tværs af modeller	Bekræft standardiserede forhold og vedvarende ændring ved en gentagen måling

Det er fortolkningshypoteser, ikke diagnoser. En beregners samlede alder bør aldrig tilsidesætte den kliniske fortolkning af glukose, nyrefunktion, inflammation, blodtal, blodtryk eller andre input.

Se hvorfor tests for biologisk alder er forskellige for en bredere ramme, der dækker blod-, methylerings- og wearable-resultater.

Hvilken beregner bør du bruge?

Vælg ud fra den beslutning, du vil understøtte.

Brug PhenoAge, når du ønsker et reproducerbart, dødelighedsorienteret benchmark

PhenoAge er det tydeligere valg, når du har de nødvendige laboratorieværdier og vil sammenligne dit resultat med en bredt offentliggjort fast formel. Den er relativt let at reproducere, kontrollere og beregne igen.

Den er særligt nyttig, når:

• alle ni nødvendige markører er tilgængelige i de korrekte enheder;
• du ønsker kontinuitet med den offentliggjorte kliniske litteratur om Phenotypic Age;
• du kan gentage det samme panel under lignende forhold;
• du forstår, at alderen er et risikoresumé, ikke en bogstavelig vævsalder.

Brug KDM, når du ønsker en bredere fysiologisk aldersmodel

KDM kan være mere passende, når en veldokumenteret implementering kombinerer flere relevante systemer og er kalibreret til en population, der ligner din.

Den er særligt nyttig, når:

• det nøjagtige biomarkørpanel og koefficienterne er oplyst;
• referencepopulationen og det gyldige aldersinterval er dokumenteret;
• den samme trænede model fortsat er tilgængelig til fremtidige målinger;
• du er interesseret i multivariat fysiologisk afvigelse frem for ét fast, dødelighedsorienteret resultat.

Vælg ikke den beregner, der giver det yngste resultat

At lede efter en beregner, der giver et flatterende tal, skaber en falsk følelse af præcision. Hvis du prøver nok formler, vil én til sidst give et behageligt resultat. Det gør den ikke mere gyldig for dit spørgsmål.

Dokumentér i stedet modellen, før du ser resultatet. Hold derefter metoden fast.

En kontrol i fem punkter af beregneren

Før du stoler på et PhenoAge- eller KDM-resultat, skal du kontrollere:

1. Identitet: Angiver beregneren den nøjagtige metode og kildeartiklen?
2. Input: Oplister den alle nødvendige biomarkører og accepterede enheder?
3. Implementering: Oplyser den for KDM panel, koefficienter eller software, træningspopulation og gyldigt aldersinterval?
4. Reproducerbarhed: Kan du indtaste de samme værdier to gange og eksportere eller registrere resultatet?
5. Fortolkning: Beskriver den usikkerhed og undgår diagnostiske påstande eller påstande om anti-aging-behandling?

Hvis et værktøj ikke består identitets- eller implementeringskontrollen, så behandl resultatet som et uigennemsigtigt app-resultat frem for et forskningsbaseret PhenoAge- eller KDM-estimat.

Sådan sammenligner du resultater over tid

Det sikreste longitudinelle spørgsmål er ikke: “Hvad er min sande biologiske alder?” Det er:

Har den samme model flyttet sig konsekvent under sammenlignelige måleforhold?

Brug denne protokol:

• hold beregnerversion og formel uændret;
• brug samme laboratorium, når det er praktisk;
• match fastestatus og tidspunkt på dagen;
• undgå test under akut sygdom eller lige efter usædvanligt hård træning;
• registrér ændringer i medicin og kosttilskud;
• gem de rå laboratorieværdier, ikke kun den endelige alder;
• gentag et uventet resultat, før du ændrer din plan;
• undersøg, hvilke input der flyttede sig, og om de ændrede sig i en klinisk meningsfuld retning.

Små forskelle bør fortolkes i lyset af målefejl og modelusikkerhed. En beregner, der viser én decimal, er ikke nødvendigvis nøjagtig ned til en tiendedel af et år. Vores guide til konfidensintervaller for biologisk alder forklarer, hvorfor præcisionen på skærmen kan overstige sikkerheden i modellen.

Gennemsnit ikke PhenoAge og KDM. Et gennemsnit af to forskelligt definerede konstruktioner har ingen etableret klinisk betydning og gør fremtidige ændringer sværere at diagnosticere.

Sådan håndterer SuperAge PhenoAge og KDM

SuperAge er udviklet til at holde det endelige resultat forbundet med dets evidens. I stedet for at præsentere et tal for biologisk alder som en dom hjælper appen med at organisere de underliggende blodmarkører, tendenser og beregningskontekst på din iPhone.

Denne forskel er afgørende, når PhenoAge og KDM afviger. Den nyttige information er ofte ikke forskellen mellem “49” og “43”, men:

• hvilke biomarkører der drev hvert estimat;
• om beregningen brugte de korrekte enheder;
• om den samme metode blev anvendt sidste gang;
• om ændringen er fordelt på flere systemer;
• om en akut hændelse kan forklare bevægelsen.

Sammenlign epigenetiske ure med biologisk alder fra blodbiomarkører for en bredere metodebeslutning. Uanset hvilken metode du bruger, skal medicinske beslutninger være forankret i validerede kliniske mål og professionel behandling.

Ofte stillede spørgsmål

Hvorfor er min PhenoAge forskellig fra min KDM biologiske alder?

De bruger forskellige matematiske mål og kan bruge forskellige biomarkører. PhenoAge omregner estimeret dødelighedsrisiko til en aldersækvivalent. KDM estimerer den alder, der passer bedst til et multivariat biomarkørmønster i en bestemt referencepopulation.

Er PhenoAge mere præcis end KDM?

Der findes ingen universel vinder til ethvert formål. Ydeevnen afhænger af udfaldet, kohorten, implementeringen og tilgængeligheden af biomarkører. Sammenlignende forskning viser, at begge kan forudsige vigtige helbredsudfald. Vælg den model, hvis mål og validering passer til dit spørgsmål.

Giver alle KDM-beregnere det samme resultat?

Nej. KDM er en modelleringsmetode, der kan tilpasses med forskellige biomarkører og populationer. To KDM-beregnere kan begge være legitime og alligevel give forskellige aldre. Et troværdigt værktøj bør dokumentere sin model.

Kan jeg sammenligne PhenoAge med KDM-acceleration?

Du kan undersøge, om begge overordnet peger på ældre eller yngre end forventet, men deres årstal kan ikke direkte udskiftes. Ved opfølgning over tid skal du sammenligne PhenoAge med den samme PhenoAge-formel og KDM med den samme KDM-implementering.

Bør jeg gennemsnitliggøre PhenoAge og KDM?

Nej. Et gennemsnit af forskelligt trænede resultater skaber ikke en valideret “mere sand” biologisk alder. Det kan også skjule den biomarkør eller model, der forklarer uenigheden.

Hvilket resultat bør jeg drøfte med min læge?

Drøft de underliggende laboratorie- eller funktionsværdier, særligt alt uden for et klinisk referenceinterval eller med vedvarende ændring. Det samlede resultat for biologisk alder kan give kontekst, men er ikke en diagnose eller et behandlingsmål.

Konklusion

PhenoAge og KDM er forskellige, fordi de definerer biologisk alder forskelligt.

PhenoAge spørger, hvilken kronologisk alder der svarer til en lignende modelleret dødelighedsrisiko. KDM spørger, hvilken alder der bedst forklarer en multivariat fysiologisk profil i sin referencepopulation. Når du ved det, ligner uenigheden ikke længere en defekt beregner, men viser i stedet, hvad hver model lægger vægt på.

Vælg én implementering til et klart formål. Bevar de rå input. Standardisér gentagne tests. Undersøg biomarkørerne bag en ændring. Og lad aldrig én beregnet alder veje tungere end sund klinisk fortolkning.

Følg evidensen bag alderen

Vil du holde dine blodmarkører, konteksten for biologisk alder og udviklingen over tid samlet? Download SuperAge, og bevar inputtene bag hvert resultat — ikke kun overskriftstallet.

Referencer

1. Levine ME, Lu AT, Quach A, et al. An epigenetic biomarker of aging for lifespan and healthspan. Aging. 2018;10(4):573–591.
2. Liu Z, Kuo PL, Horvath S, Crimmins E, Ferrucci L, Levine M. A new aging measure captures morbidity and mortality risk across diverse subpopulations from NHANES IV. PLOS Medicine. 2018;15(12):e1002718.
3. Klemera P, Doubal S. A new approach to the concept and computation of biological age. Mechanisms of Ageing and Development. 2006;127(3):240–248.
4. Levine ME. Modeling the rate of senescence: can estimated biological age predict mortality more accurately than chronological age?. The Journals of Gerontology: Series A. 2013;68(6):667–674.
5. Kwon D, Belsky DW. A toolkit for quantification of biological age from blood chemistry and organ function test data: BioAge. GeroScience. 2021;43(6):2795–2808.
6. Parker DC, Bartlett BN, Cohen HJ, et al. Association of blood chemistry quantifications of biological aging with disability and mortality in older adults. The Journals of Gerontology: Series A. 2020;75(9):1671–1679.
7. Liu Z, Kuo PL, Horvath S, et al. No winners or losers: clinical chemistry-based biological aging metrics perform similarly across cohorts and health outcomes. The Journals of Gerontology: Series A. 2025;80(11):glaf179.

Denne artikel er kun til uddannelsesformål og udgør ikke lægelig rådgivning, diagnose eller behandling.